MétaCan
Menu
Retour à la cohorte
Enregistrement W3037525567 · doi:10.1097/aln.0000000000003429

Cost-effectiveness Analysis of Preoperative Screening Strategies for Obstructive Sleep Apnea among Patients Undergoing Elective Inpatient Surgery

2020· article· en· W3037525567 sur OpenAlexaffabout
Ashwin Sankar, Peter R. Dixon, Lavarnan Sivanathan, Stavros G. Memtsoudis, John R. de Almeida, Mandeep Singh

Notice bibliographique

RevueAnesthesiology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueObstructive Sleep Apnea Research
Établissements canadiensToronto Sleep InstituteToronto Western HospitalWomen's College HospitalUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicinePolysomnographyPerioperativeObstructive sleep apneaQuality of life (healthcare)Cost effectivenessQuality-adjusted life yearSleep apneaApneaEmergency medicineIntensive care medicineAnesthesia

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Obstructive sleep apnea is underdiagnosed in surgical patients. The cost-effectiveness of obstructive sleep apnea screening is unknown. This study's objective was to evaluate the cost-effectiveness of preoperative obstructive sleep apnea screening (1) perioperatively and (2) including patients' remaining lifespans. METHODS: An individual-level Markov model was constructed to simulate the perioperative period and lifespan of patients undergoing inpatient elective surgery. Costs (2016 Canadian dollars) were calculated from the hospital perspective in a single-payer health system. Remaining model parameters were derived from a structured literature search. Candidate strategies included: (1) no screening; (2) STOP-Bang questionnaire alone; (3) STOP-Bang followed by polysomnography (STOP-Bang + polysomnography); and (4) STOP-Bang followed by portable monitor (STOP-Bang + portable monitor). Screen-positive patients (based on STOP-Bang cutoff of at least 3) received postoperative treatment modifications and expedited definitive testing. Effectiveness was expressed as quality-adjusted life month in the perioperative analyses and quality-adjusted life years in the lifetime analyses. The primary outcome was the incremental cost-effectiveness ratio. RESULTS: In perioperative and lifetime analyses, no screening was least costly and least effective. STOP-Bang + polysomnography was the most effective strategy and was more cost-effective than both STOP-Bang + portable monitor and STOP-Bang alone in both analyses. In perioperative analyses, STOP-Bang + polysomnography was not cost-effective compared to no screening at the $4,167/quality-adjusted life month threshold (incremental cost-effectiveness ratio $52,888/quality-adjusted life month). No screening was favored in more than 90% of iterations in probabilistic sensitivity analyses. In contrast, in lifetime analyses, STOP-Bang + polysomnography was favored compared to no screening at the $50,000/quality-adjusted life year threshold (incremental cost-effectiveness ratio $2,044/quality-adjusted life year). STOP-Bang + polysomnography was favored in most iterations at thresholds above $2,000/quality-adjusted life year in probabilistic sensitivity analyses. CONCLUSIONS: The cost-effectiveness of preoperative obstructive sleep apnea screening differs depending on time horizon. Preoperative screening with STOP-Bang followed by immediate confirmatory testing with polysomnography is cost-effective on the lifetime horizon but not the perioperative horizon. The integration of preoperative screening based on STOP-Bang and polysomnography is a cost-effective means of mitigating the long-term disease burden of obstructive sleep apnea.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,056
Tête enseignante GPT0,320
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnesthesiologyMême sujetObstructive Sleep Apnea ResearchTravaux en français237 207